13 exposicionunigisoct 2014 geoestadistica
29
Octubre 2014 PhD (c) Xavier Buenaño G. PhD (c) Gabriela Chicaiza M. 1
-
Upload
unigis-america-latina -
Category
Documents
-
view
229 -
download
3
description
Â
Transcript of 13 exposicionunigisoct 2014 geoestadistica
Octubre 2014
PhD (c) Xavier Buenaño G.PhD (c) Gabriela Chicaiza M.
1
�� Antecedentes
� Geoestadística� Las zeolitas: la roca mágica� R Software y R Studio
� Objetivo y Metodología� Análisis Geoestadístico
� Conclusiones
Contenido
2
�
3
Introducción: Áreas de Aplicación de la Geoestadística
Geoestadística
Minería Hidrogeología
Almacenamiento CO2
GeoquímicaGeodiversidad
SIG
Geofísica
Teledetección
MDE
Riesgos geológicos
�
4
Introducción: Aspectos de la Geoestadística
Variograma Soporte dedatos
Kriging(Krigeaje)
Simulacióncondicional
Patrones de variabilidad
espacial
Optimizacióndel muestreo
Geoestadística
�
5
Introducción: Zeolitas
Fórmula General: WmZrO2r.sH2O
Cationes periféricos
Silicatos Faseacuosa
�
6
Introducción: Zeolitas
Zeolita tipo HEU (heulandita-clinoptilolita), importante paratratamiento de agua ácida de rocay/o mina
�
7
Introducción: Zeolitas
Ubicación de la zona de estudio conrespecto a su litología
Machiels, 2014
�� Relación
Introducción: R Software y R Studio
R Software R Studio
Librerías 8
�� RgeoStats: Geostatistical R Package
� Desarrollado por el Equipo de Geoestadística del Centro de Investigación de Geociencias de MINES Paris Tech
� Puede descargarse en: http://rgeostats.free.fr/download.php
Librería RGeoStats
9
�� Determinar la ubicación óptima de muestreo de roca,
basado en datos de un muestreo preliminar,utilizando técnicas geoestadísticas.
10
Objetivo
�� Análisis exploratorio (EDA); � Análisis de la estructura de los datos
11
Metodología
�
12
Metodología
Río Guaraguau
�� Determinación de puntos duplicados (misma
posición): síntesis por ubicación geográfica� Revisión de valores atípicos (outliers)� Cálculo de estadísticos: media, mediana, desviación
estándar
13
Metodología: EDA
�
14
Metodología: EDA
HEU
frequ
ency
0 10 20 30 40 50 60
05
1015
2025
HEU
frequ
ency
0 10 20 30 40 50 60
05
1015
2025
010
2030
4050
60
HE
U
010
2030
4050
60
HE
U
�
15
Metodología: EDA
HEU
frequ
ency
0 10 20 30 40 50 60
05
1015
HEU
frequ
ency
0 10 20 30 40 50 60
05
1015
Test Kolmogorov-SmirnovD = 0.0801, p-value = 0.6837
DistribuciónNormal
�� Análisis de patrones� Revisión de distribución de muestreo
16
Metodología: Análisis Estructural
�
17
Metodología: Análisis Estructurallagged scatterplots
HEU
HE
U
0
20
40
60
0 20 40 60
r = 0.304
(0,2e+03]
r = 0.13
(2e+03,4e+03]
r = -0.327
(4e+03,6e+03]
0 20 40 60
0
20
40
60r = -0.604
(6e+03,8e+03]
lagged scatterplots
HEU
HE
U
0
20
40
60
0 20 40 60
r = 0.304
(0,2e+03]
r = 0.13
(2e+03,4e+03]
r = -0.327
(4e+03,6e+03]
0 20 40 60
0
20
40
60r = -0.604
(6e+03,8e+03]
�� Estimación del variograma experimental
18
Metodología
[ ]∑∈+
∈−+=
Ahu
Au
uZhuZhN
h 2)()()(2
1)(γ
h
hu +
u
A
�
19
Metodología: Variogramaomnidireccional
0 500 1000 1500 2000 2500 3000 3500
015
030
0
0 500 1000 1500 2000 2500 3000 3500
015
030
0
�
20
Metodología: VariogramasDireccionales
�
21
Metodología: Cálculo de nube variográfica
0 100 200 300 400 500 600
050
100
150
200
250
300
Cloud.z1.dir1
0 100 200 300 400 500 600
050
100
150
200
250
300
Cloud.z1.dir1
0 100 200 300 400 500 600
050
100
150
200
250
300
Cloud.z1.dir2
0 100 200 300 400 500 600
050
100
150
200
250
300
Cloud.z1.dir2
0 100 200 300 400 500 600
050
100
150
200
250
300
Cloud.z1.dir3
0 100 200 300 400 500 600
050
100
150
200
250
300
Cloud.z1.dir3
0 100 200 300 400 500 600
050
100
150
200
250
300
Cloud.z1.dir4
0 100 200 300 400 500 600
050
100
150
200
250
300
Cloud.z1.dir4
�
22
Metodología: Cálculo de modelo teórico
0 500 1000 1500 2000 2500 3000 3500
050
100
150
200
250
300
350
0 500 1000 1500 2000 2500 3000 3500
050
100
150
200
250
300
350
�
23
Metodología: Validación cruzadaHistograma de Error de Validacion Cruzada
Error de validacion cruzada
Fre
quen
cy
-30 -20 -10 0 10 20 30
02
46
810
Histograma de Error de Validacion Cruzada
Error de validacion cruzada
Fre
quen
cy
-30 -20 -10 0 10 20 30
02
46
810
Distribución de errores normal
�
24
Metodología: Simulación
592500 593500 594500 595500
9769
000
9771
000
9773
000
9775
000
Estimation (Unique Neighborhood)
592500 593500 594500 595500
9769
000
9771
000
9773
000
9775
000
15
15
15
592500 593500 594500 595500
9769
000
9771
000
9773
000
9775
000
592500 593500 594500 595500
9769
000
9771
000
9773
000
9775
000
Estimation (Unique Neighborhood)
592500 593500 594500 595500
9769
000
9771
000
9773
000
9775
000
15
15
15
592500 593500 594500 595500
9769
000
9771
000
9773
000
9775
000
�
25
Metodología: Simulación
592500 593500 594500 595500
9769
000
9771
000
9773
000
9775
000
Estimation (Moving Neighborhood)
592500 593500 594500 595500
9769
000
9771
000
9773
000
9775
000
11
11 11
12
12
12
12
13 13
13
13
13
14
14
14
14
14
14
14
14
14
14
15
15
15
15
15
15
15
16
16
17
17
17
18
18
18
19
19
19
19
19
20
21
592500 593500 594500 595500
9769
000
9771
000
9773
000
9775
000
592500 593500 594500 595500
9769
000
9771
000
9773
000
9775
000
Estimation (Moving Neighborhood)
592500 593500 594500 595500
9769
000
9771
000
9773
000
9775
000
11
11 11
12
12
12
12
13 13
13
13
13
14
14
14
14
14
14
14
14
14
14
15
15
15
15
15
15
15
16
16
17
17
17
18
18
18
19
19
19
19
19
20
21
592500 593500 594500 595500
9769
000
9771
000
9773
000
9775
000
�� Es fundamental realizar el análisis exploratorio de
datos, previo a la utilización de la técnicageoestadística.
� La definición de la confiabilidad de la simulación esfundamental para determinar la validez de la misma.En el presente caso, los errores de estimación siguenuna distribución normal, por lo que la estimación essatisfactoria.
26
Conclusiones
�� La distribución espacial de la muestras, juega un
papel crítico en los resultados de la estimación osimulación. Es deseable una distribución espacialuniforme.
� La presencia de efecto pepita está relacionado en estecaso con la utilización de una variable del tipo semi-cuantitativa.
27
Conclusiones
�� Los resultados de la simulación permiten determinar
el sector geográfico donde las concentraciones dezeolita tipo HEU se esperan sean más altas y endonde podría focalizarse el esfuerzo de muestreo.
� El uso de la herramienta geoestadística permiteoptimizar recursos (tiempo y dinero).
28
Conclusiones
�GRACIAS POR SU ATENCIÓN!
Xavier Buenaño G. ([email protected])Gabriela Chicaiza M. ([email protected])
29
